Glossário IA
O dicionário completo da Inteligência Artificial
Cabeça de Detecção Multi-escala
Um componente de detectores de objetos que aplica previsões em múltiplos níveis da pirâmide de características, utilizando camadas específicas para cada escala a fim de otimizar a detecção de objetos de diferentes tamanhos.
Âncora Adaptativa (Adaptive Anchor)
Uma técnica onde as caixas âncora (anchor boxes) são geradas dinamicamente com base nas estatísticas das dimensões dos objetos no conjunto de dados, melhorando assim o alinhamento entre as âncoras e os pequenos objetos.
Perda Focal (Focal Loss)
Uma função de perda modificada que reduz a contribuição de exemplos fáceis bem classificados e se concentra em exemplos difíceis, particularmente eficaz para gerenciar o desequilíbrio de classes inerente à detecção de pequenos objetos.
Agregação de Caminhos Múltiplos (Path Aggregation Network - PANet)
Uma arquitetura que melhora o fluxo de informações em redes de pirâmide de características, criando atalhos entre as camadas inferiores e superiores, preservando melhor as informações de localização para pequenos objetos.
Super-resolução Guiada por Detecção
Uma abordagem que aumenta a resolução dos mapas de características ou das regiões de interesse antes da classificação, utilizando técnicas de super-resolução para tornar os pequenos objetos mais discerníveis.
Dilatação de Características (Feature Dilatation)
Uma técnica que aumenta o campo receptivo dos neurônios sem perder resolução espacial, permitindo capturar mais contexto em torno de pequenos objetos enquanto mantém sua localização precisa.
Amostragem de Pontos Chave (Keypoint Sampling)
Um método que amostra seletivamente as características dos pontos mais informativos de uma pequena região de objeto, em vez de usar um pooling global que poderia afogar detalhes importantes.
Módulo de Atenção Espacial
Um mecanismo que aprende a ponderar a importância de diferentes regiões espaciais do mapa de características, permitindo que a rede se concentre nas áreas que contêm pequenos objetos relevantes.
Re-identificação de Características (Feature Re-identification)
Um processo que reinjeta características de baixo nível em camadas mais profundas da rede, ajudando a recuperar detalhes finos perdidos durante as sucessivas operações de subamostragem.
Contexto Multi-escala (Multi-scale Context)
A utilização de informações contextuais provenientes de diferentes escalas espaciais em torno de um pequeno objeto para melhorar a sua classificação, explorando as relações entre o objeto e o seu ambiente.
Aumento de Dados Adaptado a Pequenos Objetos
Técnicas de transformação de imagem especificamente concebidas para aumentar a presença e a variabilidade de pequenos objetos no conjunto de treino, como o zoom seletivo ou a cópia-colagem de objetos.
IoU Ponderado pelo Tamanho (Size-weighted IoU)
Uma métrica de avaliação que atribui mais peso às previsões corretas em pequenos objetos ao calcular a Interseção sobre a União, refletindo melhor a dificuldade e a importância da sua deteção.
Cabeça de Deteção em Cascata (Cascade Detection Head)
Uma arquitetura onde várias cabeças de deteção são colocadas em sequência, cada cabeça refinando as previsões da anterior com limiares de IoU cada vez mais rigorosos, melhorando a precisão em objetos difíceis como os pequenos objetos.
Fusão de Características Bidirecional
Uma técnica que combina características de alto nível (semânticas) e de baixo nível (espaciais) em ambas as direções, de modo que as camadas profundas recebam informações de localização precisas para melhor detetar pequenos objetos.
Realce de Características (Feature Highlighting)
Um método que amplifica as respostas dos neurónios ativados por pequenos padrões ou texturas, tornando as características dos pequenos objetos mais salientes em relação ao ruído de fundo.
Aprendizagem Contrastiva para Deteção
Uma abordagem de treino que ensina a rede a aproximar as características de pequenos objetos semelhantes e a afastar as de objetos diferentes ou do fundo, melhorando a sua separabilidade.